CC BY
23
УДК 631.15
Тарасов А.о., астрант*® Миколагвсъкии державный аграрнийутверситет
послщовн1 методи к1льк1сн01 оц1нки ризик1в д1яльност1
сыьськогосподарських шдприемств
Обгрунтовано переваги кглъкгсног ощнки ризику на сыъсъкогосподарсъких тдприемствах. Запропоновано послгдовну методику ощнки виробничих та щнових ризитв шляхом моделювання стохастичних коливанъ фактор1в ризику. Представлено тструментарш розрахунку показнитв допустимого та критичногор1втвризику на приклад1 виробництва насшня соняшнику.
Ключое1 слова: кглъкгсна ощнка ризику, варт1сна м1ра ризику, очшувании дефщит, методМонте-Карло.
Постановка проблеми. Найважлившою частиною процесу управлшня ризиками е точна оцшка ризику. Протягом останнього десятил1ття активно розвиваються юльюсш методи ощнки ризику, 1хня значимкть по вщношенню до яюсно! ощнки постшно збшьшуеться. 3 розвитком шформацшних технологш складш комплексш модел1 стають бшьш доступними для др1бних \ середшх пщприемств. Через високий р1вень ризику у в1тчизняному сшьськогосподарському виробництв1, штерес до бшьш ефективних метод1в управлшня ризиками продовжуе рости, зокрема до юльюсних метод1в оцшки ризиюв. Виробнич1 I щнов1 ризики мають найбшьший вплив на д1яльшсть сшьськогосподарських пщприемств I потребують максимально точно! юльюсно! ощнки. Основними чинниками виникнення виробничих I щнових ризиюв е коливання метеоролопчних показниюв I щн на ресурси, яю дуже близью до стохастичних [4].
Анал1з останшх дослщжень. Проблеми юльюсно! оцшки ризику дослщжували в1тчизняш вчеш: В.В.Вплшськш, А.В.Матвшчук, Л.1.Донець та ш., але вс1 пропоноваш окрем1 методи е непослщовними або неповними, не достатшми для прийняття управлшського ршення. Адекватна оцшка щнових та виробничих ризиюв можлива за допомогою комплексних метод1в, яю набувають популярное^ в м1жнародному досвщ1 ризик-менеджменту.
Мета статть Метою стагп е розробка шструментарш I практичних рекомендацш щодо юльюсно! ощнки ризиюв д1яльност1 сшьськогосподарських пщприемств. Метою юльюсно! ощнки е отримання двох чисел, яю визначають обсяг оч1куваних збитюв вщ даних ризиюв на допустимому I критичному р1внях, що дозволить максимально точно формувати стратегш управлшня ризиками на пщприемств!.
Науковий кер1вник - д.е.н., доцент £вчук Л.А. э Тарасов А.О., 2011
290
Виклад основного матер1алу. Для юльюсно! оцшки цшових i виробничих ризиюв пропонуеться використовувати декшька найбшьш досконалих i широко використовуваних у фшансовш сфер1 моделей, як1 в сукупносп дадуть найбшьш точний результат. За основу пропонуеться взяти варт1сну Mipy ризику (англ. value-at-risk), яка показуе можливий збиток i3 заданнм дов1рчнм штервалом [2]. Дов1рчнй штервал при цьому задаеться на критичному або значному для даного виробництва piBHi (90%, 95%, 99%). Такий показник буде найбшьш зручним при розрахунку можливих втрат вщ коливань цш на сшьгосппродукцш i паливо, основних складових дохщно! та видатково! частини д1яльност1 пщприемства. Продукщя, яку пщприемство реал1зуе, е екв1валентом довго! позици за активом, а матер1али, що закуповуються пщприемством для виготовлення продукци, - екв1валентом коротко! позици. Таким чином, зростання цши реал1зовано! продукци може прир1внюватися до додаткового прибутку (по довгш позици), а падшня цши е збитком. Розподш ймов1рностей збитюв використовувався i рашше в ризик-менеджмент1 [1], але стандартизащя показника оцшки ризику е важливою для подальшого використання в процес1 управлшня ризиком. У даному випадку вартшна Mipa ризику щеально пщходить для визначення необхщно! суми грошових кошт1в для компенсацп цшових ризиюв.
Найбшьш досконалим методом обчислення варткно! м1ри ризику вважаеться метод Монте-Карло [6]. Цей метод дозволяе побудувати розподши величин, щентичш реальним, i видае точш емшричш значения навпъ при наявност1 малого обсягу даних [11]. Цшов1 та температурш ряди даних часто мають нормальш розподши, але !м притаманш важю хвости i випади даних. Завдяки властивост1 генерувати розподши з важкими хвостами, модель Монте-Карло гранично точно вщтворюе параметри цшових i температурних коливань [9]. Математичний апарат модел1 Монте-Карло можна легко вщтворити в nporpaMi Excel, в яку вбудований генератор випадкових чисел i функщя вщтворення випадкових величин для нормального розподшу. Для побудови модел1 Монте-Карло досить знати стандартне вщхилення i середне арифметичне низки даних, до яких пот1м застосовуються описаш вище функци. Варткною м1рою ризику буде n-e мммальне значения з сотн1 згенерованих чисел, де n вщповщае параметру дов1рчого штервалу.
Цшовим i температурним коливанням притаманш довгостроков1 тренди. Цши на сшьськогосподарську продукцш природно зростають 3i збшьшенням популяци земл1 i попиту, шфлящя так само може враховуватися в цшових трендах для спрощення розрахунюв. Глобальне потеплшня мае мкце, i е даш, що середня температура в твшчнш гемюфери хоч незначно, але збшьшуеться, i при цьому пом1тно збшьшуються коливання температур [8]. У процес1 оцшки ризиюв ¿снуе необхщшсть враховувати не тшьки тенденци у змш1 середшх показниюв, а й динам1ку вар1аци коливань цшових i метеоролопчних показниюв.
Варт1сна Mipa ризику використовуе стандартне вщхилення як основний критерш ризику. Використовуючи автокореляцш стандартного вщхилення
291
можна ¿стотно тдвищити точнкть варткно! м1ри ризику [7]. Для цього широко застосовуеться узагальнена модель авторегресп умовно! гетероскедастичност! (англ. generalized autoregressive conditional heteroskedasticity, GARCH), винайдена Т. Боллерслевом [5]. Ця модель дозволяе виявити залежнкть м1ж значениями стандартного вщхилення i !х попередньо! динамжи.
Комбшащя модел! автокореляцп та варткно! м1ри ризику дозволяе максимально наблизити оцшку ризиюв до реальности Але все ж таки, иоказник варткно! м1ри ризику мае недолж: вш не е «безперервним» (англ. coherent). Це означае, що певш меж! ймов1рност1 при оцшщ ризику не враховуються, i кер1внику пщприемства може забракнути шформаци для прийняття ршення щодо управлшня певним ризиком. Наприклад, показник варткно! м1ри ризику з дов1рчим штервалом 95% показуе втрати при найпршому BapiaHTi розвитку подш з 20, але решта 5%, що репрезентують собою критичний р1вень ризику, залишаються неврахованими. Виршенням ще! проблеми е показник очжуваного дефщиту (англ. expected shortfall) [10].
Очжуваний дефщит являе собою критичний збиток, який буде мати мкце у випадку, якщо оч1куваний р1вень збитюв, який дор1внюе варткнш Mipi ризику, буде перевершений. Оч1куваний дефщит обчислюеться шляхом знаходження середнього арифметичного значень хвоста розпод1лу за межами варткно! м1ри ризику [12]:
де q - дов1рчий штервал варткно! м1ри ризику,
E - математичне очжування,
L - розм1р збитюв.
Складнкть моделювання Монте-Карло компенсуеться легкктю розрахунку оч1куваного дефщиту. Для цього потр1бно знайти середне арифметичне вщ'емних значень, згенерованих моделлю, за межами дов1рчого штервалу варткно! м1ри ризику.
Пропонована методика тестувалася на даних сшьськогосподарських пщприемств з метою визначення цшових i виробничих ризиюв виробництва насшня соняшнику. Варткна Mipa ризику та оч1куваний дефщит розраховаш з дов1рчим штервалом 90%. Тобто показник варткно! м1ри ризику показуе розм1р збитюв у найпршому випадку з 10, а оч1куваний дефщит визначае обсяг втрат у pa3i перевищення показника варткно! м1ри ризику. Результати розрахунку показниюв наведен! в таблиц! 1.
Результатом оцшки ц!нового ризику став показник можливо! втрати ц!ни 762,1 грн. на тонну нас!ння соняшнику, перевищення якого не оч!куеться частше, н!ж раз на десять роюв, i оч!куваний деф!цит 1493,5 грн. у раз! перевищення збитку в 762,1 грн. Оцшка виробничого ризику показала, що не бшьше шж раз на десять сезон!в втрати врожаю складуть 2,01 ц/га, з оч!куваним максимальним порогом втрат у 2,46 ц/га. При розрахунку даних показниюв використовувалися агрегован! дан! статистики по всш Укра!н!. Використовуючи дан! мкцево! статистики, можна значно пщвищити придатнкть розрахунк!в для др!бних пщприемств.
292
Таблиця 1
Показники варт1СН01 м1ри цшового та виробничого ризику 1 очжуваного _дефщиту для соняшнику__
Показники цшового ризику Абсолютний, грн/т Вщносний, %
Варткна м1ра -762,1 -22,79
Очжуваний дефщит -1493,5 -44,66
Показники виробничого ризику Абсолютний, ц/га Вщносний, %
Варткна м1ра -2,01 -13,24
Очжуваний дефщит -2,46 -16,18
*Джерело: в розрахунках використовувалися середш даш врожайносп (1990-2009рр.) 1 цш реатзацп (2003-2011рр.) з сайту Державного ком1тету статистики Украши [3].
Граф1чний результат моделювання Монте-Карло з урахуванням автокореляци представлено на рис. 1.
5 16
■80 -64 -48 -32 -16 0 16 32 48 64 80 96 112
Ввдхиленнй прибутку, %
Рис.1. Розподш результатов моделювання прибутк1в/збитк1в ввд щнових колнвань насшня соняшнику
Перевага використаного методу в оцшщ цшового ризику полягае в можливост1 максимально точно узагальнити I кшьккно вщобразити вс1 зовшшш чинники, яю впливають на цшу реал1заци (або закутвл1) продукци. Коливання цш вщбивають вс1 ринков1, економ1чш, пол1тичш, правов1 та шш1 ризики, I це аргументуе цшнкть I необхщнкть розрахунку кшьккних показниюв цшового ризику. Наприклад, розраховаш показники включають в себе вс1 ризики вщ таких подш як револющя 2004 р. з вщповщними наслщками, адмшктративне регулювання курсу гривш до долара 2005-2007, фшансова криза 2008-2009 рр. з обвалом гривш (коливання вщ 4.5 до 12 1 назад до 8), адмшктративш реформи 2003-2010 рр. I т.д. Необхщно вщзначити, що сшьськогосподарсью пщприемства
293
не застрахован! вщ валютних ризиюв i не мають можливосп хеджувати коливання котирувань гривш до долара i евро, тому bcí валютш ризики повинш враховуватися в оцшщ цшових ризиюв. Тому при оцшщ цшових ризиюв потр1бно використовувати статистичш данш без поправки на шфляцш та девальвацш. Так само необхщно вщзначити, що корелящя, яка завжди присутня м1ж щновими i виробничими ризиками, не враховувалася в ход1 дослщження.
Висновки. Застосування передових метод1в управлшня ризиками забезпечуе сталий розвиток i конкурентну перевагу пщприемств в ризиковому в1тчизняному економ!чному середовищг Використання варткно! м1ри ризику спщьно з показником оч1куваного дефщиту в процеЫ ощнки цшових i виробничих ризиюв у сшьському господарств1 дасть посл1довний i точний кшьккний показник, якого буде достатньо для прийняття р1шення щодо MÍHÍMÍ3a4Íi ризику. Модель Монте-Карло з автокореляц1ею вар1аци е найкращим методом розрахунку пропонованого показника i е досить доступним, враховуючи можлив1сть розрахунку в Excel.
Л1тература
1. В1тл1нський В. В. Ризиколопя в економ1ц1 та пщприемництвк монограф1я / В. В. Вплшський, Г. I. Велико1ваненко. - К.: КНЕУ, 2004. - 480с.
2. Лобанов А. А. Энциклопедия финансового риск-менеджмента / Под ред. к.э.н. А. А. Лобанова и А. В. Чугунова. - 4-е изд., испр. и доп. - М.: Альпина Бизнес Букс, 2009. - 932 с.
3. Статистична шформащя: с1льське господарство [Електронний ресурс]: сайт Державного ком1тету статистики Украши. - Режим доступу: http ://www.ukrstat.gov.ua/
4. Anton J. Managing risk in agriculture: a holistic approach / Jesus Anton, Organization for Economic Co-operation and Development. - Paris : OECD Publishing, 2009. - 170 p.
5. Bollerslev T. Generalized autoregressive conditional heteroskedasticity / Tim Bollerslev // Journal of Econometrics. - 1986. - № 3. - P. 307 - 327.
6. Herwartz H. Exact inference in diagnosing Value-at-Risk estimates - A Monte Carlo device / Helmut Herwartz // Economics Letters. - 2009. - № 103. - P. 160 - 162.
7. Iorgulescu F. Value at risk: a comparative analysis / Filip Iorgulescu, Ion Stancu // Economic computation and economic cybernetics studies and research. -2008. - Vol. 42, № 3. - P. 5 - 24.
8. Mills T. C. Modeling current temperature trends / Terence C. Mills // Journal of Data Science. - 2009. - № 7. - C. 89 - 97.
9. Richards, T. J. Pricing weather derivatives for agricultural risk management [Електронний ресурс] / T. J. Richards, M. R. Manfredo, D. R. Sanders // Conference, St. Louis, Missouri, April 21-22, 2003. - 17 p. - Режим доступу: http ://purl.umn.edu/18979
10. Szego G. Measures of risk / Giorgio Szego // Journal of Banking & Finance. - 2002. - № 26. - P. 1253 - 1272.
294
11. Wong W. Backtesting value-at-risk based on tail losses / Woon K. Wong // Journal of Empirical Finance. - 2010. - № 17. - P. 526 - 538.
12. Yamai Y. Value-at-risk versus expected shortfall: A practical perspective / Yasuhiro Yamai, Toshinao Yoshiba // Journal of Banking & Finance. - 2005. - № 29. - P. 997 - 1015.
Summary Tarasov A. O.
Mykolayiv State Agrarian University
COHERENT QUANTITATIVE MEASURES OF AGRICULTURAL RISKS
Advantages of quantitative risk measurements in agricultural business are grounded. Coherent methods of production and price risk assessment by modeling stochastic risk factor variations are proposed. Instruments for acceptable and critical risk level measurements are presented by providing an example for sunflower seed production.
Cmammx nadiumna do pedaKtyi 12.04.2011 p.
295
